Membangun & men-deploy penelusuran retail hibrida dinamis dengan AlloyDB, Gemini, dan Cloud Run

1. Ringkasan

Dalam lanskap retail yang kompetitif saat ini, memberdayakan pelanggan untuk menemukan dengan cepat dan intuitif apa yang mereka cari adalah hal yang sangat penting. Penelusuran tradisional berbasis kata kunci sering kali tidak memadai, kesulitan menangani kueri yang bernuansa dan katalog produk yang luas. Codelab ini mengungkap aplikasi penelusuran retail canggih yang dibangun di AlloyDB, AlloyDB AI, yang memanfaatkan Penelusuran Vektor canggih, pengindeksan scaNN, filter berfacet, dan pemfilteran Adaptif cerdas, serta pengurutan ulang untuk memberikan pengalaman penelusuran hibrida yang dinamis dalam skala perusahaan.

Sekarang kita sudah memiliki pemahaman dasar tentang 3 hal:

1. Arti penelusuran kontekstual bagi agen Anda dan cara melakukannya menggunakan Vector Search.
2. Kami juga mempelajari secara mendalam cara mendapatkan Penelusuran Vektor dalam cakupan data Anda, yaitu dalam database Anda sendiri (semua Database Google Cloud mendukungnya, jika Anda belum mengetahuinya).
3. Kami selangkah lebih maju dari seluruh dunia dalam memberi tahu Anda cara mencapai kemampuan RAG Penelusuran Vektor yang ringan dengan performa dan kualitas tinggi menggunakan kemampuan Penelusuran Vektor AlloyDB yang didukung oleh indeks ScaNN.

Jika Anda belum mempelajari eksperimen RAG dasar, menengah, dan sedikit lanjutan tersebut, sebaiknya baca 3 artikel tersebut di sini, di sini, dan di sini dalam urutan yang tercantum.

Tantangan

Melampaui Filter, Kata Kunci, dan Pencocokan Kontekstual: Penelusuran kata kunci sederhana dapat menampilkan ribuan hasil, yang sebagian besar tidak relevan. Solusi yang ideal harus memahami maksud di balik kueri, menggabungkannya dengan kriteria filter yang tepat (seperti merek, bahan, atau harga), dan menampilkan item yang paling relevan dalam milidetik. Hal ini memerlukan infrastruktur penelusuran yang andal, fleksibel, dan skalabel. Tentu saja, kita telah menempuh perjalanan panjang dari penelusuran kata kunci hingga kecocokan kontekstual dan penelusuran kesamaan. Namun, bayangkan seorang pelanggan menelusuri "jaket yang nyaman, stylish, dan tahan air untuk mendaki di musim semi" sambil menerapkan filter dan aplikasi Anda tidak hanya menampilkan respons berkualitas, tetapi juga berperforma tinggi dan urutan semua ini dipilih secara dinamis oleh database Anda.

Tujuan

Untuk mengatasi hal ini dengan mengintegrasikan

• Penelusuran Kontekstual (Penelusuran Vektor): Memahami makna semantik kueri dan deskripsi produk
• Pemfilteran Berfacet: Memungkinkan pengguna mempersempit hasil dengan atribut tertentu
• Pendekatan Hybrid: Memadukan penelusuran kontekstual dengan pemfilteran terstruktur secara lancar
• Pengoptimalan Lanjutan: Memanfaatkan pengindeksan khusus, pemfilteran adaptif, dan pengurutan ulang untuk kecepatan dan relevansi
• Kontrol Kualitas yang Didukung AI Generatif: Menggabungkan validasi LLM untuk kualitas hasil yang lebih unggul.

Mari kita uraikan arsitektur dan perjalanan implementasi.

Yang akan Anda build

Aplikasi Penelusuran Retail

Sebagai bagian dari proses ini, Anda akan:

1. Membuat instance dan tabel AlloyDB untuk set data e-commerce
2. Menyiapkan embedding dan Vector Search
3. Membuat indeks metadata dan indeks ScaNN
4. Menerapkan Penelusuran Vektor lanjutan di AlloyDB menggunakan metode pemfilteran inline ScaNN
5. Menyiapkan Filter Berfacet dan Penelusuran Hybrid dalam satu kueri
6. Mengoptimalkan relevansi kueri dengan pengurutan ulang dan perolehan (opsional)
7. Mengevaluasi respons kueri dengan Gemini (opsional)
8. MCP Toolbox for Databases dan Lapisan Aplikasi
9. Pengembangan Aplikasi (Java) dengan Penelusuran Berfacet

Persyaratan

• Browser, seperti Chrome atau Firefox
• Project Google Cloud yang mengaktifkan penagihan.

2. Sebelum memulai

Membuat project

1. Di Konsol Google Cloud, di halaman pemilih project, pilih atau buat project Google Cloud.
2. Pastikan penagihan diaktifkan untuk project Cloud Anda. Pelajari cara memeriksa apakah penagihan telah diaktifkan pada suatu project .

Untuk Kredit Google Cloud: Jika Anda ingin mendapatkan kredit Google Cloud untuk membantu Anda memulai, gunakan link ini untuk menukarkan kredit. Anda dapat mengikuti petunjuk di sini untuk menukarkannya.

3. Anda akan menggunakan Cloud Shell, lingkungan command line yang berjalan di Google Cloud. Klik Activate Cloud Shell di bagian atas konsol Google Cloud.

4. Setelah terhubung ke Cloud Shell, Anda dapat memeriksa bahwa Anda sudah diautentikasi dan project sudah ditetapkan ke project ID Anda menggunakan perintah berikut:

gcloud auth list

5. Jalankan perintah berikut di Cloud Shell untuk mengonfirmasi bahwa perintah gcloud mengetahui project Anda.

gcloud config list project

6. Jika project Anda belum ditetapkan, gunakan perintah berikut untuk menetapkannya:

gcloud config set project <YOUR_PROJECT_ID>

7. Aktifkan API yang diperlukan: Ikuti link dan aktifkan API.

Atau, Anda dapat menggunakan perintah gcloud untuk melakukannya. Baca dokumentasi untuk mempelajari perintah gcloud dan penggunaannya.

3. Penyiapan database

Di lab ini, kita akan menggunakan AlloyDB sebagai database untuk data e-commerce. Cloud SQL menggunakan cluster untuk menyimpan semua resource, seperti database dan log. Setiap cluster memiliki instance utama yang menyediakan titik akses ke data. Tabel akan menyimpan data sebenarnya.

Mari kita buat cluster, instance, dan tabel AlloyDB tempat set data e-commerce akan dimuat.

Membuat cluster dan instance

1. Buka halaman AlloyDB di Konsol Cloud. Cara mudah untuk menemukan sebagian besar halaman di Konsol Cloud adalah dengan menelusurinya menggunakan kotak penelusuran konsol.
2. Pilih CREATE CLUSTER dari halaman tersebut:

3. Anda akan melihat layar seperti di bawah. Buat cluster dan instance dengan nilai berikut (Pastikan nilai cocok jika Anda meng-clone kode aplikasi dari repo):

• cluster id: "vector-cluster"
• password: "alloydb"
• PostgreSQL 15 / versi terbaru yang direkomendasikan
• Region: "us-central1"
• Jaringan: "default"

4. Saat Anda memilih jaringan default, Anda akan melihat layar seperti di bawah.

Pilih SIAPKAN KONEKSI.

5. Dari sana, pilih "Gunakan rentang IP yang dialokasikan secara otomatis" dan Lanjutkan. Setelah meninjau informasi, pilih BUAT KONEKSI.
6. Setelah jaringan disiapkan, Anda dapat melanjutkan pembuatan cluster. Klik CREATE CLUSTER untuk menyelesaikan penyiapan cluster seperti yang ditunjukkan di bawah:

CATATAN PENTING:

1. Pastikan untuk mengubah ID instance (yang dapat Anda temukan pada saat konfigurasi cluster / instance) menjadi **vector-instance**. Jika Anda tidak dapat mengubahnya, ingatlah untuk **menggunakan ID instance Anda** di semua referensi mendatang.
2. Perhatikan bahwa pembuatan Cluster akan memerlukan waktu sekitar 10 menit. Setelah berhasil, Anda akan melihat layar yang menampilkan ringkasan cluster yang baru saja Anda buat.

4. Penyerapan data

Sekarang saatnya menambahkan tabel dengan data tentang toko. Buka AlloyDB, pilih cluster utama, lalu AlloyDB Studio:

Anda mungkin perlu menunggu hingga instance selesai dibuat. Setelah itu, login ke AlloyDB menggunakan kredensial yang Anda buat saat membuat cluster. Gunakan data berikut untuk melakukan autentikasi ke PostgreSQL:

• Nama pengguna : "postgres"
• Database : "postgres"
• Sandi : "alloydb"

Setelah Anda berhasil diautentikasi ke AlloyDB Studio, perintah SQL dimasukkan di Editor. Anda dapat menambahkan beberapa jendela Editor menggunakan tanda plus di sebelah kanan jendela terakhir.

Anda akan memasukkan perintah untuk AlloyDB di jendela editor, menggunakan opsi Jalankan, Format, dan Hapus sesuai kebutuhan.

Mengaktifkan Ekstensi

Untuk membangun aplikasi ini, kita akan menggunakan ekstensi pgvector dan google_ml_integration. Ekstensi pgvector memungkinkan Anda menyimpan dan menelusuri embedding vektor. Ekstensi google_ml_integration menyediakan fungsi yang Anda gunakan untuk mengakses endpoint prediksi Vertex AI guna mendapatkan prediksi di SQL. Aktifkan ekstensi ini dengan menjalankan DDL berikut:

CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;
CREATE EXTENSION IF NOT EXISTS vector;

Jika Anda ingin memeriksa ekstensi yang telah diaktifkan di database Anda, jalankan perintah SQL ini:

select extname, extversion from pg_extension;

Membuat tabel

Anda dapat membuat tabel menggunakan pernyataan DDL di bawah di AlloyDB Studio:

CREATE TABLE apparels ( 
  id BIGINT, 
  category VARCHAR(100), 
  sub_category VARCHAR(50), 
  uri VARCHAR(200), 
  gsutil_uri VARCHAR(200),
  image VARCHAR(100), 
  content VARCHAR(2000), 
  pdt_desc VARCHAR(5000), 
  color VARCHAR(2000),
  gender VARCHAR(200),
  embedding vector(768),
  img_embeddings vector(1408),
  additional_specification VARCHAR(100000));

Kolom embedding akan memungkinkan penyimpanan untuk nilai vektor teks.

Berikan Izin

Jalankan pernyataan di bawah untuk memberikan izin eksekusi pada fungsi "embedding":

GRANT EXECUTE ON FUNCTION embedding TO postgres;

Memberikan PERAN Vertex AI User ke akun layanan AlloyDB

Dari konsol IAM Google Cloud, berikan akses ke peran "Vertex AI User" untuk akun layanan AlloyDB (yang terlihat seperti ini: service-<<PROJECT_NUMBER >>@gcp-sa-alloydb.iam.gserviceaccount.com). PROJECT_NUMBER akan memiliki nomor project Anda.

Atau, Anda dapat menjalankan perintah di bawah dari Terminal Cloud Shell:

PROJECT_ID=$(gcloud config get-value project)


gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:service-$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")@gcp-sa-alloydb.iam.gserviceaccount.com" \
--role="roles/aiplatform.user"

Memuat data ke dalam database

1. Salin pernyataan kueri insert dari insert scripts sql di spreadsheet ke editor seperti yang disebutkan di atas. Anda dapat menyalin 10-50 pernyataan penyisipan untuk demo cepat kasus penggunaan ini. Ada daftar sisipan yang dipilih di sini di tab "Selected Inserts 25-30 rows".

Link ke data dapat ditemukan di file repositori github ini.

2. Klik Run. Hasil kueri Anda akan muncul di tabel Results.

CATATAN PENTING:

Pastikan untuk menyalin hanya 25-50 data yang akan disisipkan dan pastikan data tersebut berasal dari berbagai jenis kategori, sub_kategori, warna, dan jenis kelamin.

5. Buat Embedding untuk data

Inovasi sebenarnya dalam penelusuran modern terletak pada pemahaman makna, bukan hanya kata kunci. Di sinilah embedding dan penelusuran vektor berperan.

Kami mengubah deskripsi produk dan kueri pengguna menjadi representasi numerik berdimensi tinggi yang disebut "embedding" menggunakan model bahasa terlatih. Embedding ini menangkap makna semantik, sehingga memungkinkan kami menemukan produk yang "mirip maknanya", bukan hanya yang berisi kata-kata yang cocok. Awalnya, kami bereksperimen dengan penelusuran kesamaan vektor langsung pada embedding ini untuk menetapkan dasar pengukuran, yang menunjukkan kekuatan pemahaman semantik bahkan sebelum pengoptimalan performa.

Kolom embedding akan memungkinkan penyimpanan nilai vektor teks deskripsi produk. Kolom img_embeddings akan memungkinkan penyimpanan embedding gambar (multimodal). Dengan cara ini, Anda juga dapat menggunakan penelusuran berbasis jarak teks terhadap gambar. Namun, kita hanya akan menggunakan embedding teks dalam lab ini.

SELECT embedding('text-embedding-005', 'AlloyDB is a managed, cloud-hosted SQL database service.');

Ini akan menampilkan vektor embedding, yang terlihat seperti array float, untuk teks contoh dalam kueri. Tampilannya seperti ini:

Perbarui kolom Vektor abstract_embeddings

Jalankan DML di bawah untuk memperbarui deskripsi konten dalam tabel dengan sematan yang sesuai:

UPDATE apparels SET embedding = embedding('text-embedding-005',pdt_desc)::vector 
WHERE pdt_desc IS NOT NULL;

Anda mungkin mengalami masalah saat membuat lebih dari beberapa sematan (maksimal 20-25) jika menggunakan akun penagihan kredit uji coba untuk Google Cloud. Jadi, batasi jumlah baris dalam skrip penyisipan.

Jika Anda ingin membuat embedding gambar (untuk melakukan penelusuran kontekstual multimodal), jalankan update di bawah ini juga:

update apparels set img_embeddings = ai.image_embedding(
  model_id => 'multimodalembedding@001',
  image => gsutil_uri,
  mimetype => 'image/jpg')       
where gsutil_uri is not null

6. Melakukan RAG Lanjutan dengan Fitur baru AlloyDB

Setelah tabel, data, dan embedding siap, mari lakukan Penelusuran Vektor real time untuk teks penelusuran pengguna. Anda dapat mengujinya dengan menjalankan kueri di bawah:

SELECT id, content, uri, category, sub_category,color,gender 
FROM apparels 
ORDER BY embedding <=> embedding('text-embedding-005','T-shirt with round neck')::vector limit 10 ;

Dalam kueri ini, kita membandingkan embedding teks dari penelusuran yang dimasukkan pengguna "T-shirt dengan kerah bulat" dengan embedding teks dari semua deskripsi produk dalam tabel pakaian (disimpan di kolom bernama "embedding") menggunakan fungsi jarak kesamaan kosinus (diwakili oleh simbol "<=>"). Kita mengonversi hasil metode embedding ke jenis vektor agar kompatibel dengan vektor yang disimpan dalam database. LIMIT 10 menunjukkan bahwa kita memilih 10 kecocokan terdekat dari teks penelusuran.

AlloyDB meningkatkan kualitas RAG Penelusuran Vektor:

Untuk solusi skala perusahaan, penelusuran vektor mentah saja tidak cukup. Performa sangat penting.

Indeks ScaNN (Scalable Nearest Neighbors)

Untuk mencapai penelusuran perkiraan tetangga terdekat (ANN) yang sangat cepat, kami mengaktifkan indeks scaNN di AlloyDB. ScaNN, algoritma penelusuran perkiraan tetangga terdekat canggih yang dikembangkan oleh Tim Riset Google, dirancang untuk penelusuran kesamaan vektor yang efisien dalam skala besar. ScaNN secara signifikan mempercepat kueri dengan memangkas ruang penelusuran secara efisien dan menggunakan teknik kuantisasi, sehingga menawarkan kueri vektor hingga 4x lebih cepat daripada metode pengindeksan lainnya dan footprint memori yang lebih kecil. Baca selengkapnya di sini dan di sini.

Mari aktifkan ekstensi dan buat indeks:

CREATE EXTENSION IF NOT EXISTS alloydb_scann;

Membuat indeks untuk kolom embedding teks dan embedding gambar (jika Anda ingin menggunakan embedding gambar dalam penelusuran):

CREATE INDEX apparels_index ON apparels 
USING scann (embedding cosine)
WITH (num_leaves=32);

CREATE INDEX apparels_img_index ON apparels 
USING scann (img_embeddings cosine)
WITH (num_leaves=32);

Indeks Metadata

Meskipun scaNN menangani pengindeksan vektor, indeks B-tree atau GIN tradisional disiapkan dengan cermat pada atribut terstruktur (seperti kategori, subkategori, gaya, warna, dll.). Indeks ini sangat penting untuk efisiensi pemfilteran berfaset. Jalankan pernyataan di bawah untuk menyiapkan indeks metadata:

CREATE INDEX idx_category ON apparels (category);

CREATE INDEX idx_sub_category ON apparels (sub_category);

CREATE INDEX idx_color ON apparels (color);

CREATE INDEX idx_gender ON apparels (gender);

CATATAN PENTING:

Karena Anda mungkin hanya memasukkan 25-50 data, indeks (ScaNN atau indeks apa pun) tidak akan efektif.

Pemfilteran Inline

Tantangan umum dalam penelusuran vektor adalah menggabungkannya dengan filter terstruktur (misalnya, sepatu merah"). Pemfilteran inline AlloyDB mengoptimalkan hal ini. Alih-alih memfilter hasil setelah penelusuran dari penelusuran vektor yang luas, pemfilteran inline menerapkan kondisi filter selama proses penelusuran vektor itu sendiri, sehingga meningkatkan performa dan akurasi penelusuran vektor yang difilter secara drastis.

Lihat dokumentasi ini untuk mempelajari lebih lanjut kebutuhan Pemfilteran Inline. Pelajari juga penelusuran vektor yang difilter untuk pengoptimalan performa penelusuran vektor di sini. Sekarang, jika Anda ingin mengaktifkan pemfilteran inline untuk aplikasi, jalankan pernyataan berikut dari editor:

SET scann.enable_inline_filtering = on;

Pemfilteran inline paling cocok untuk kasus dengan selektivitas sedang. Saat menelusuri indeks vektor, AlloyDB hanya menghitung jarak untuk vektor yang cocok dengan kondisi pemfilteran metadata (filter fungsional Anda dalam kueri yang biasanya ditangani dalam klausa WHERE). Hal ini akan sangat meningkatkan performa kueri ini, sekaligus melengkapi keunggulan post-filter atau pra-filter.

Pemfilteran Adaptif

Untuk mengoptimalkan performa lebih lanjut, pemfilteran adaptif AlloyDB secara dinamis memilih strategi pemfilteran yang paling efisien (inline atau pra-pemfilteran) selama eksekusi kueri. Fitur ini menganalisis pola kueri dan distribusi data untuk memastikan performa optimal tanpa intervensi manual, terutama bermanfaat untuk penelusuran vektor yang difilter, karena fitur ini otomatis beralih antara penggunaan indeks vektor dan metadata. Untuk mengaktifkan pemfilteran adaptif, gunakan tanda scann.enable_preview_features.

Saat pemfilteran adaptif memicu peralihan dari pemfilteran inline ke pra-pemfilteran selama eksekusi, rencana kueri akan berubah secara dinamis.

SET scann.enable_preview_features = on;

CATATAN PENTING: Anda mungkin tidak dapat menjalankan pernyataan di atas tanpa memulai ulang instance, jika Anda mengalami error — sebaiknya aktifkan tanda enable_preview_features dari bagian tanda database instance Anda.

Filter Berfacet menggunakan semua Indeks

Penelusuran berfaset memungkinkan pengguna mempersempit hasil dengan menerapkan beberapa filter berdasarkan atribut atau "faset" tertentu (misalnya, merek, harga, ukuran, rating pelanggan). Aplikasi kami mengintegrasikan aspek ini dengan lancar dengan penelusuran vektor. Satu kueri kini dapat menggabungkan bahasa alami (penelusuran kontekstual) dengan beberapa pilihan berfacet, yang secara dinamis memanfaatkan indeks vektor dan tradisional. Hal ini memberikan kemampuan penelusuran hibrida yang benar-benar dinamis, sehingga pengguna dapat melihat hasil dengan tepat.

Dalam aplikasi kami, karena kami telah membuat semua indeks metadata, kami siap menggunakan filter berfaset di web dengan mengatasinya secara langsung menggunakan kueri SQL:

SELECT id, content, uri, category, sub_category,color,gender 
FROM apparels
WHERE category = ANY($1) and sub_Category = ANY($2) and color = ANY($3) and gender = ANY($4)
ORDER BY embedding <=> embedding('text-embedding-005',$5)::vector limit 10 ;

Dalam kueri ini, kita melakukan penelusuran campuran — menggabungkan

1. Pemfilteran berfaset dalam klausa WHERE dan
2. Vector Search dalam klausa ORDER BY menggunakan metode kesamaan kosinus.

$1, $2, $3, dan $4 mewakili nilai filter berfaset dalam array dan $5 mewakili teks penelusuran pengguna. Ganti $1 hingga $4 dengan nilai filter berfaset pilihan Anda seperti di bawah:

category = ANY([‘Apparel', ‘Footwear'])

Ganti $5 dengan teks penelusuran pilihan Anda, misalnya, "Kaos Polo".

CATATAN PENTING: Jika Anda tidak memiliki indeks karena kumpulan data terbatas yang telah Anda masukkan, Anda tidak akan melihat dampak performa. Namun, dalam set data produksi lengkap, Anda akan melihat bahwa waktu eksekusi berkurang secara signifikan untuk Vector Search yang sama menggunakan indeks ScaNN yang diisi dengan Pemfilteran Inline di Vector Search telah memungkinkan hal ini.

Selanjutnya, mari kita evaluasi perolehan untuk Vector Search yang diaktifkan ScaNN ini.

Pengurutan ulang

Meskipun dengan penelusuran lanjutan, hasil awal mungkin perlu disempurnakan. Langkah ini merupakan langkah penting yang mengurutkan ulang hasil penelusuran awal untuk meningkatkan relevansi. Setelah penelusuran hibrida awal memberikan serangkaian produk kandidat, model yang lebih canggih (dan sering kali lebih berat secara komputasi) menerapkan skor relevansi yang lebih terperinci. Hal ini memastikan bahwa hasil teratas yang ditampilkan kepada pengguna adalah yang paling relevan, sehingga meningkatkan kualitas penelusuran secara signifikan. Kami terus mengevaluasi recall untuk mengukur seberapa baik sistem mengambil semua item yang relevan untuk kueri tertentu, dengan menyempurnakan model kami untuk memaksimalkan kemungkinan pelanggan menemukan apa yang mereka butuhkan.

Sebelum menggunakannya di aplikasi, pastikan Anda telah memenuhi semua prasyarat:

• Pastikan ekstensi google_ml_integration telah diinstal.
• Pastikan tanda google_ml_integration.enable_model_support disetel ke aktif.
• Berintegrasi dengan Vertex AI.
• Aktifkan Discovery Engine API.
• Dapatkan peran yang diperlukan untuk menggunakan model peringkat.

Kemudian, Anda dapat menggunakan kueri berikut di aplikasi kami untuk mengurutkan ulang kumpulan hasil penelusuran hibrida:

WITH initial_ranking AS (
SELECT id,content, pdt_desc, uri, category, sub_category,color,gender,
ROW_NUMBER() OVER () AS ref_number 
FROM apparels 
    order by embedding <=>embedding('text-embedding-005', 'Pink top')::vector),
reranked_results AS (
            SELECT index, score from 
            ai.rank(
              model_id => 'semantic-ranker-default-003',
              search_string => 'Pink top',
              documents => (SELECT ARRAY_AGG(pdt_desc ORDER BY ref_number) FROM initial_ranking)
            )
)
SELECT id,content, pdt_desc, uri, category, sub_category,color,gender, score
FROM initial_ranking, reranked_results 
WHERE initial_ranking.ref_number = reranked_results.index
ORDER BY reranked_results.score DESC
limit 25;

Dalam kueri ini, kita melakukan PERINGKAT ULANG set hasil produk penelusuran kontekstual yang ditangani dalam klausa ORDER BY menggunakan metode kemiripan kosinus. 'Atasan pink' adalah teks yang ditelusuri pengguna.

CATATAN PENTING: Beberapa dari Anda mungkin belum memiliki akses ke Reranking, jadi saya telah mengecualikannya dari kode aplikasi, tetapi jika Anda ingin menyertakannya, Anda dapat mengikuti contoh yang telah kita bahas di atas.

Evaluator Perolehan

Perolehan dalam penelusuran kemiripan adalah persentase instance relevan yang diambil dari penelusuran, yaitu jumlah positif benar. Ini adalah metrik paling umum yang digunakan untuk mengukur kualitas penelusuran. Salah satu sumber hilangnya recall berasal dari perbedaan antara penelusuran perkiraan tetangga terdekat, atau aNN, dan penelusuran k (exact) tetangga terdekat, atau kNN. Indeks vektor seperti ScaNN AlloyDB menerapkan algoritma aNN, sehingga Anda dapat mempercepat penelusuran vektor pada set data besar dengan sedikit mengorbankan recall. Sekarang, AlloyDB memberi Anda kemampuan untuk mengukur kompromi ini secara langsung di database untuk setiap kueri dan memastikan bahwa kompromi tersebut stabil dari waktu ke waktu. Anda dapat memperbarui parameter kueri dan indeks sebagai respons terhadap informasi ini untuk mencapai hasil dan performa yang lebih baik.

Apa logika di balik penarikan hasil penelusuran?

Dalam konteks penelusuran vektor, perolehan mengacu pada persentase vektor yang ditampilkan indeks yang merupakan tetangga terdekat sebenarnya. Misalnya, jika kueri tetangga terdekat untuk 20 tetangga terdekat menampilkan 19 tetangga terdekat dari kebenaran nyata, maka perolehannya adalah 19/20x100 = 95%. Perolehan adalah metrik yang digunakan untuk kualitas penelusuran, dan ditentukan sebagai persentase hasil yang ditampilkan yang secara objektif paling dekat dengan vektor kueri.

Anda dapat menemukan recall untuk kueri vektor pada indeks vektor untuk konfigurasi tertentu menggunakan fungsi evaluate_query_recall. Fungsi ini memungkinkan Anda menyesuaikan parameter untuk mendapatkan hasil recall kueri vektor yang diinginkan.

CATATAN PENTING:

Jika Anda mengalami error izin ditolak pada indeks HNSW dalam langkah-langkah berikut, lewati seluruh bagian evaluasi recall ini untuk saat ini. Hal ini mungkin terkait dengan batasan akses karena baru dirilis pada saat codelab ini didokumentasikan.

1. Tetapkan tanda Enable Index Scan pada indeks ScaNN & indeks HNSW:

SET scann.enable_indexscan = on
SET hnsw.enable_index_scan = on

2. Jalankan kueri berikut di AlloyDB Studio:

SELECT
  *
FROM
  evaluate_query_recall($$
SELECT id,content, pdt_desc, uri, category, sub_category,color,gender
FROM 
apparels 
    order by embedding <=> embedding('text-embedding-005', 'skirts for women')::vector 
  LIMIT 25 $$,
    '{"scann.num_leaves_to_search":1, "scann.pre_reordering_num_neighbors":10}',
    ARRAY['scann']);

Fungsi evaluate_query_recall menggunakan kueri sebagai parameter dan menampilkan perolehan kueri tersebut. Saya menggunakan kueri yang sama dengan yang saya gunakan untuk memeriksa performa sebagai kueri input fungsi. Saya telah menambahkan SCaNN sebagai metode indeks. Untuk opsi parameter lainnya, lihat dokumentasi.

Recall untuk kueri Penelusuran Vektor yang telah kita gunakan:

Saya melihat bahwa RECALL adalah 96%. Dalam hal ini, perolehannya sangat baik. Namun, jika nilainya tidak dapat diterima, Anda dapat menggunakan informasi ini untuk mengubah parameter indeks, metode, dan parameter kueri serta meningkatkan kemampuan ingatan saya untuk Penelusuran Vektor ini.

Uji dengan parameter kueri & indeks yang diubah

Sekarang, mari kita uji kueri dengan mengubah parameter kueri berdasarkan data yang diterima.

1. Mengubah parameter indeks:

Untuk pengujian ini, saya akan menggunakan fungsi jarak kesamaan "L2 Distance", bukan "Cosine".

Catatan Sangat Penting: "Bagaimana kita tahu kueri ini menggunakan kesamaan COSINE?" tanya Anda. Anda dapat mengidentifikasi fungsi jarak dengan penggunaan "<=>" untuk merepresentasikan jarak Kosinus.

Link Dokumen untuk fungsi jarak Vector Search.

Kueri sebelumnya menggunakan fungsi jarak Cosine Similarity, sedangkan sekarang kita akan mencoba Jarak L2. Namun, untuk itu, kita juga harus memastikan bahwa indeks ScaNN yang mendasarinya juga menggunakan Fungsi Jarak L2. Sekarang, buat indeks dengan kueri fungsi jarak yang berbeda: Jarak L2: <->

drop index apparels_index;

CREATE INDEX apparels_index ON apparels 
USING scann (embedding L2)
WITH (num_leaves=32);

Pernyataan drop index hanya untuk memastikan tidak ada indeks yang tidak perlu pada tabel.

Sekarang, saya dapat menjalankan kueri berikut untuk mengevaluasi RECALL setelah mengubah fungsi jarak dari fungsi Penelusuran Vektor saya.

[SETELAH] Kueri yang menggunakan Fungsi L2 Distance:

SELECT
  *
FROM
  evaluate_query_recall($$
SELECT id,content, pdt_desc, uri, category, sub_category,color,gender
FROM 
apparels 
    order by embedding <-> embedding('text-embedding-005', 'skirts for women')::vector 
  LIMIT 25 $$,
    '{"scann.num_leaves_to_search":1, "scann.pre_reordering_num_neighbors":10}',
    ARRAY['scann']);

Anda dapat melihat perbedaan / transformasi dalam nilai recall untuk indeks yang diperbarui.

Ada parameter lain yang dapat Anda ubah dalam indeks, seperti num_leaves, dll. berdasarkan nilai perolehan yang diinginkan dan set data yang digunakan aplikasi Anda.

Validasi LLM terhadap Hasil Penelusuran Vektor

Untuk mencapai penelusuran terkontrol dengan kualitas tertinggi, kami menyertakan lapisan validasi LLM opsional. Model Bahasa Besar dapat digunakan untuk menilai relevansi dan koherensi hasil penelusuran, terutama untuk kueri yang kompleks atau ambigu. Hal ini dapat mencakup:

Verifikasi Semantik:

LLM yang mencocokkan hasil dengan maksud kueri.

Pemfilteran Logis:

Menggunakan LLM untuk menerapkan logika atau aturan bisnis yang kompleks yang sulit dienkode dalam filter tradisional, sehingga lebih menyempurnakan daftar produk berdasarkan kriteria yang rumit.

Uji Mutu:

Mengidentifikasi dan menandai hasil yang kurang relevan secara otomatis untuk peninjauan manual atau penyempurnaan model.

Berikut cara kami melakukannya di fitur AI AlloyDB:

WITH 
          apparels_temp as (
                  SELECT id,content, pdt_desc, uri, category, sub_category,color,gender 
                  FROM apparels 
                 -- where category = ANY($1) and sub_category = ANY($2) and color = ANY($3) and gender = ANY($4)
                      order by embedding <=> embedding('text-embedding-005', $5)::vector
                  limit 25
          ),
          prompt AS (
          SELECT 'You are a friendly advisor helping to filter whether a product match' || pdt_desc || 'is reasonably (not necessarily 100% but contextually in agreement) related to the customer''s request: ' || $5 || '. Respond only in YES or NO. Do not add any other text.'
          AS prompt_text, *
          from apparels_temp
          )
          ,
          response AS (
          SELECT id,content,pdt_desc,uri,
                  json_array_elements(ml_predict_row('projects/abis-345004/locations/us-central1/publishers/google/models/gemini-1.5-pro:streamGenerateContent',
                  json_build_object('contents',
                  json_build_object('role',
                  'user',
                  'parts',
                  json_build_object('text', prompt_text)))))->'candidates'->0->'content'->'parts'->0->'text' AS resp
          FROM 
                  prompt)
          SELECT id, content,uri,replace(replace(resp::text,'\n',''),'"','') as result
          FROM
                  response where replace(replace(resp::text,'\n',''),'"','') in ('YES', 'NO')
                  limit 10;  

Kueri yang mendasarinya adalah kueri yang sama yang telah kita lihat di bagian penelusuran berfaset, penelusuran campuran, dan pengurutan ulang. Sekarang dalam kueri ini, kita telah menggabungkan lapisan evaluasi GEMINI dari set hasil yang Diurutkan Ulang yang diwakili oleh konstruksi ml_predict_row. Saya telah mengomentari filter berfaset, tetapi Anda dapat menyertakan item pilihan Anda dalam array untuk placeholder $1 hingga $4. Ganti $5 dengan teks apa pun yang ingin Anda telusuri, misalnya, "Atasan pink, tanpa motif bunga".

7. MCP Toolbox for Databases dan Lapisan Aplikasi

Di balik layar, alat yang tangguh dan aplikasi yang terstruktur dengan baik memastikan pengoperasian yang lancar.

Toolbox MCP (Model Context Protocol) untuk Database menyederhanakan integrasi alat AI Generatif dan Agentik dengan AlloyDB. Database ini berfungsi sebagai server open source yang menyederhanakan penggabungan koneksi, autentikasi, dan eksposur fungsi database yang aman ke agen AI atau aplikasi lain.

Dalam aplikasi, kita telah menggunakan MCP Toolbox for Databases sebagai lapisan abstraksi untuk semua kueri penelusuran hibrida cerdas.

Ikuti langkah-langkah di bawah untuk menyiapkan dan men-deploy Toolbox untuk kasus penggunaan kita:

Anda dapat melihat bahwa salah satu database yang didukung oleh MCP Toolbox for Databases adalah AlloyDB dan karena kita telah menyediakannya di bagian sebelumnya, mari kita lanjutkan dan siapkan Toolbox.

1. Buka Terminal Cloud Shell Anda dan pastikan project Anda dipilih dan ditampilkan di perintah terminal. Jalankan perintah di bawah dari Terminal Cloud Shell untuk membuka direktori project Anda:

mkdir toolbox-tools

cd toolbox-tools

2. Jalankan perintah di bawah untuk mendownload dan menginstal toolbox di folder baru Anda:

# see releases page for other versions
export VERSION=0.7.0
curl -O https://storage.googleapis.com/genai-toolbox/v$VERSION/linux/amd64/toolbox
chmod +x toolbox

3. Buka Cloud Shell Editor (untuk mode pengeditan kode) dan di folder root project, tambahkan file bernama "tools.yaml".

sources:
    alloydb:
        kind: "alloydb-postgres"
        project: "<<YOUR_PROJECT_ID>>"
        region: "us-central1"
        cluster: "vector-cluster"
        instance: "vector-instance"
        database: "postgres"
        user: "postgres"
        password: "alloydb"


tools:
        <<tools go here... Refer to the github repo file>>

Pastikan untuk mengganti skrip Tools.yaml dengan kode dari file repo ini.

Mari kita pahami tools.yaml:

Sumber merepresentasikan berbagai sumber data yang dapat berinteraksi dengan alat. Sumber mewakili sumber data yang dapat berinteraksi dengan alat. Anda dapat menentukan Sumber sebagai peta di bagian sumber file tools.yaml. Biasanya, konfigurasi sumber akan berisi informasi apa pun yang diperlukan untuk terhubung dan berinteraksi dengan database.

Alat menentukan tindakan yang dapat dilakukan agen – seperti membaca dan menulis ke sumber. Alat merepresentasikan tindakan yang dapat dilakukan agen Anda, seperti menjalankan pernyataan SQL. Anda dapat menentukan Alat sebagai peta di bagian alat pada file tools.yaml. Biasanya, alat akan memerlukan sumber untuk ditindaklanjuti.

Untuk mengetahui detail selengkapnya tentang cara mengonfigurasi tools.yaml, lihat dokumentasi ini.

4. Jalankan perintah berikut (dari folder mcp-toolbox) untuk memulai server:

./toolbox --tools-file "tools.yaml"

Sekarang, jika Anda membuka server dalam mode pratinjau web di cloud, Anda akan dapat melihat server Toolbox berjalan dengan alat baru Anda yang bernama get-order-data.

Server MCP Toolbox berjalan secara default di port 5000. Mari kita gunakan Cloud Shell untuk mengujinya.

Klik Pratinjau Web di Cloud Shell seperti yang ditunjukkan di bawah:

Klik Ubah port dan tetapkan port ke 5000 seperti yang ditunjukkan di bawah, lalu klik Ubah dan Pratinjau.

Tindakan ini akan menghasilkan output:

5. Mari kita deploy Toolbox ke Cloud Run:

Pertama, kita dapat memulai dengan server MCP Toolbox dan menghostingnya di Cloud Run. Kemudian, kita akan mendapatkan endpoint publik yang dapat diintegrasikan dengan aplikasi lain dan/atau aplikasi Agen. Petunjuk untuk menghostingnya di Cloud Run diberikan di sini. Sekarang kita akan membahas langkah-langkah utamanya.

1. Luncurkan Terminal Cloud Shell baru atau gunakan Terminal Cloud Shell yang ada. Buka folder project tempat biner toolbox dan tools.yaml berada, dalam hal ini toolbox-tools, jika Anda belum membukanya:

cd toolbox-tools

2. Tetapkan variabel PROJECT_ID untuk mengarah ke Project ID Google Cloud Anda.

export PROJECT_ID="<<YOUR_GOOGLE_CLOUD_PROJECT_ID>>"

3. Aktifkan layanan Google Cloud ini

gcloud services enable run.googleapis.com \
                       cloudbuild.googleapis.com \
                       artifactregistry.googleapis.com \
                       iam.googleapis.com \
                       secretmanager.googleapis.com

4. Mari buat akun layanan terpisah yang akan bertindak sebagai identitas untuk layanan Toolbox yang akan kita deploy di Google Cloud Run.

gcloud iam service-accounts create toolbox-identity

5. Kami juga memastikan bahwa akun layanan ini memiliki peran yang benar, yaitu kemampuan untuk mengakses Secret Manager dan berkomunikasi dengan AlloyDB

gcloud projects add-iam-policy-binding $PROJECT_ID \
   --member serviceAccount:toolbox-identity@$PROJECT_ID.iam.gserviceaccount.com \
   --role roles/secretmanager.secretAccessor

gcloud projects add-iam-policy-binding $PROJECT_ID \
   --member serviceAccount:toolbox-identity@$PROJECT_ID.iam.gserviceaccount.com \
   --role roles/alloydb.client

gcloud projects add-iam-policy-binding $PROJECT_ID \
   --member serviceAccount:toolbox-identity@$PROJECT_ID.iam.gserviceaccount.com \
   --role roles/serviceusage.serviceUsageConsumer

6. Kita akan mengupload file tools.yaml sebagai secret:

gcloud secrets create tools --data-file=tools.yaml

Jika Anda sudah memiliki secret dan ingin memperbarui versi secret, jalankan perintah berikut:

gcloud secrets versions add tools --data-file=tools.yaml

7. Tetapkan variabel lingkungan ke image container yang ingin Anda gunakan untuk Cloud Run:

export IMAGE=us-central1-docker.pkg.dev/database-toolbox/toolbox/toolbox:latest

8. Langkah terakhir dalam perintah deployment yang sudah dikenal ke Cloud Run:

gcloud run deploy toolbox \
--image $IMAGE \
--service-account toolbox-identity \
--region us-central1 \
--set-secrets "/app/tools.yaml=tools:latest" \
--args="--tools-file=/app/tools.yaml","--address=0.0.0.0","--port=8080" \
--allow-unauthenticated \
--labels dev-tutorial=codelab-alloydb-search-toolbox

Perintah ini akan memulai proses men-deploy Server Toolbox dengan tools.yaml yang dikonfigurasi ke Cloud Run. Setelah deployment berhasil, Anda akan melihat pesan yang mirip dengan berikut ini:

Deploying container to Cloud Run service [toolbox] in project [YOUR_PROJECT_ID] region [us-central1]
OK Deploying new service... Done.                                                                                                                                                                                     
  OK Creating Revision...                                                                                                                                                                                             
  OK Routing traffic...                                                                                                                                                                                               
  OK Setting IAM Policy...                                                                                                                                                                                            
Done.                                                                                                                                                                                                                 
Service [toolbox] revision [toolbox-00001-zsk] has been deployed and is serving 100 percent of traffic.
Service URL: https://toolbox-<SOME_ID>.us-central1.run.app

Anda sudah siap menggunakan alat yang baru di-deploy di aplikasi agentik Anda.

Mengakses Alat di Server Toolbox

Setelah Toolbox di-deploy, kita akan membuat shim Fungsi Cloud Run Python untuk berinteraksi dengan server Toolbox yang di-deploy. Hal ini karena saat ini Toolbox tidak memiliki Java SDK, jadi kami membuat shim Python untuk berinteraksi dengan server. Berikut adalah kode sumber untuk Cloud Run Function tersebut.

Anda harus membuat dan men-deploy Cloud Run Function ini agar dapat mengakses alat toolbox yang baru saja kita buat dan deploy pada langkah-langkah sebelumnya:

1. Di konsol Google Cloud, buka halaman Cloud Run.
2. Klik Write a function.
3. Di kolom Nama layanan, masukkan nama untuk mendeskripsikan fungsi Anda. Nama layanan hanya boleh diawali dengan huruf, dan berisi hingga 49 karakter atau kurang, termasuk huruf, angka, atau tanda hubung. Nama layanan tidak boleh diakhiri dengan tanda hubung, dan harus unik per region dan project. Nama layanan tidak dapat diubah nanti dan akan terlihat secara publik. (Masukkan retail-product-search-quality)
4. Dalam daftar Region, gunakan nilai default, atau pilih region tempat Anda ingin men-deploy fungsi. (Pilih us-central1)
5. Dalam daftar Runtime, gunakan nilai default, atau pilih versi runtime. (Pilih Python 3.11)
6. Di bagian Autentikasi, pilih "Izinkan akses publik"
7. Klik tombol "Buat"
8. Fungsi dibuat dan dimuat dengan template main.py dan requirements.txt
9. Ganti dengan file: main.py dan requirements.txt dari repo project ini
10. Deploy fungsi dan Anda akan mendapatkan endpoint untuk Cloud Run Function Anda

Endpoint Anda akan terlihat seperti ini (atau yang serupa):

Endpoint Fungsi Cloud Run untuk mengakses toolbox: "https://retail-product-search-quality-<<YOUR_PROJECT_NUMBER>>.us-central1.run.app"

Untuk mempermudah penyelesaian dalam linimasa (untuk sesi yang dipandu instruktur secara langsung), nomor project untuk endpoint akan dibagikan pada saat sesi langsung.

CATATAN PENTING:

Atau, Anda juga dapat menerapkan bagian database secara langsung sebagai bagian dari kode aplikasi atau Cloud Run Function.

8. Pengembangan Aplikasi (Java) dengan Penelusuran Berfacet

Terakhir, semua komponen backend yang canggih ini diwujudkan melalui lapisan aplikasi. Dikembangkan di Java, aplikasi ini menyediakan antarmuka pengguna untuk berinteraksi dengan sistem penelusuran. Aplikasi ini mengatur kueri ke AlloyDB, menangani tampilan filter berfaset, mengelola pilihan pengguna, dan menyajikan hasil penelusuran yang diringking ulang dan divalidasi dengan cara yang lancar dan intuitif.

1. Anda dapat memulai dengan membuka Terminal Cloud Shell dan meng-clone repositori:

git clone https://github.com/AbiramiSukumaran/faceted_searching_retail

2. Buka Cloud Shell Editor, tempat Anda dapat melihat folder faceted_searching_retail yang baru dibuat
3. Hapus langkah-langkah berikut karena telah diselesaikan di bagian sebelumnya:
4. Hapus folder Cloud_Run_Function
5. Hapus file db_script.sql
6. Hapus file tools.yaml
7. Buka folder project retail-faceted-search dan Anda akan melihat struktur project:

5. Dalam file ProductRepository.java, Anda harus mengubah variabel TOOLBOX_ENDPOINT dengan endpoint dari Fungsi Cloud Run (yang di-deploy) atau mengambil endpoint dari pembicara yang memberikan pelatihan langsung.

Cari baris kode berikut dan ganti dengan endpoint Anda:

public static final String TOOLBOX_ENDPOINT = "https://retail-product-search-quality-<<YOUR_PROJECT_NUMBER>>.us-central1.run.app";

6. Pastikan Dockerfile dan pom.xml sesuai dengan konfigurasi project Anda (tidak perlu ada perubahan kecuali jika Anda telah mengubah versi atau konfigurasi secara eksplisit.
7. Di Terminal Cloud Shell, pastikan Anda berada di dalam folder utama dan di dalam folder project (faceted_searching_retail / retail-faceted-search). Gunakan perintah berikut untuk memastikan bahwa Anda berada di folder yang tepat di terminal:

cd faceted_searching_retail

cd retail-faceted-search

8. Paketkan, bangun, dan uji aplikasi Anda secara lokal:

mvn package

mvn spring-boot:run

Anda akan dapat melihat aplikasi dengan mengklik "Preview on port 8080" di Terminal Cloud Shell seperti yang ditunjukkan di bawah:

9. Deploy ke Cloud Run: ***LANGKAH PENTING

Di Terminal Cloud Shell, pastikan Anda berada di dalam folder utama dan di dalam folder project (faceted_searching_retail / retail-faceted-search). Gunakan perintah berikut untuk memastikan bahwa Anda berada di folder yang tepat di terminal:

cd faceted_searching_retail

cd retail-faceted-search

Setelah Anda yakin berada di folder project, jalankan perintah berikut:

gcloud run deploy retail-search --source . \
--region us-central1 \
--allow-unauthenticated \
--labels dev-tutorial=codelab-alloydb-hybrid-search

Setelah di-deploy, Anda akan menerima Endpoint Cloud Run yang di-deploy dan terlihat seperti ini:

https://retail-search-**********-uc.a.run.app/

10. Demo

Mari kita lihat penerapannya:

Gambar di atas menampilkan halaman landing untuk aplikasi penelusuran hibrida dinamis.

Gambar di atas menampilkan hasil penelusuran untuk "Tanpa tali berwarna cokelat" . Filter Berfacet yang dipilih adalah: Alas Kaki, Sandal.

Gambar di atas menampilkan hasil penelusuran untuk "Kaos tanpa kerah" . Filter berfaset: Pakaian

Anda kini dapat menyertakan lebih banyak fitur generatif dan berbasis agen untuk membuat aplikasi ini dapat ditindaklanjuti.

Coba fitur ini agar Anda terinspirasi untuk membangunnya sendiri.

11. Pembersihan

Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam posting ini, ikuti langkah-langkah berikut:

1. Di konsol Google Cloud, buka halaman resource manager.
2. Dalam daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
3. Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.
4. Atau, Anda dapat menghapus cluster AlloyDB (ubah lokasi di hyperlink ini jika Anda tidak memilih us-central1 untuk cluster pada saat konfigurasi) yang baru saja kita buat untuk project ini dengan mengklik tombol DELETE CLUSTER.

12. Selamat

Selamat! Anda telah berhasil membangun dan men-deploy APLIKASI PENELUSURAN HYBRID dengan ALLOYDB di CLOUD RUN!!!

Mengapa Hal Ini Penting bagi bisnis:

Aplikasi penelusuran hibrida dinamis ini, yang didukung oleh AlloyDB AI, menawarkan keuntungan signifikan bagi retail perusahaan dan bisnis lainnya:

Relevansi yang Lebih Baik: Dengan menggabungkan penelusuran kontekstual (vektor) dengan pemfilteran berfacet yang presisi dan pengurutan ulang yang cerdas, pelanggan akan menerima hasil yang sangat relevan, sehingga meningkatkan kepuasan dan konversi.

Skalabilitas: Arsitektur AlloyDB dan pengindeksan scaNN dirancang untuk menangani katalog produk yang sangat besar dan volume kueri yang tinggi, yang sangat penting untuk mengembangkan bisnis e-commerce.

Performa: Respons kueri yang lebih cepat, bahkan untuk penelusuran hybrid yang kompleks, memastikan pengalaman pengguna yang lancar dan meminimalkan tingkat pengabaian.

Siap untuk Masa Depan: Integrasi kemampuan AI (embedding, validasi LLM) memosisikan aplikasi untuk kemajuan di masa mendatang dalam rekomendasi yang dipersonalisasi, perdagangan percakapan, dan penemuan produk yang cerdas.

Arsitektur yang Disederhanakan: Mengintegrasikan penelusuran vektor langsung dalam AlloyDB menghilangkan kebutuhan akan database vektor terpisah atau sinkronisasi yang kompleks, sehingga menyederhanakan pengembangan dan pemeliharaan.

Misalkan pengguna mengetik kueri bahasa alami seperti "sepatu lari ramah lingkungan untuk wanita dengan penyangga lengkungan tinggi".

sementara pengguna menerapkan filter berfaset untuk "Kategori: <<>>", "Warna: <<>>", dan mengucapkan "Harga: Rp1.000.000-Rp1.500.000":

• Sistem langsung menampilkan daftar produk yang lebih relevan, yang secara semantik selaras dengan bahasa alami dan cocok dengan filter yang dipilih.
• Di balik layar, indeks scaNN mempercepat penelusuran vektor, pemfilteran inline dan adaptif memastikan performa dengan kriteria gabungan, dan pengurutan ulang menampilkan hasil yang optimal di bagian atas.
• Kecepatan dan akurasi hasilnya jelas menggambarkan keunggulan menggabungkan teknologi ini untuk pengalaman penelusuran retail yang benar-benar cerdas.

Membangun aplikasi penelusuran retail generasi berikutnya memerlukan lebih dari sekadar metode konvensional. Dengan menggunakan kecanggihan AlloyDB, Vertex AI, Vector Search dengan pengindeksan scaNN, pemfilteran berfacet dinamis, peringkat ulang, dan validasi LLM, kita dapat memberikan pengalaman pelanggan yang tak tertandingi yang mendorong engagement dan meningkatkan penjualan. Solusi yang andal, skalabel, dan cerdas ini menunjukkan bagaimana kemampuan database modern, yang didukung AI, membentuk kembali masa depan retail.

Mulai Sekarang!